Face R-CNN

Face R-CNN

首先使用预先训练好的卷积网络提取conv特征。然后，RPN生成候选方案，Fast R-CNN对结果进行优化。PRN和Fast R-CNN共享底层conv特性。

1.联合了softmax loss + center loss，增加类间距离、增强类内判别度。

softmax只专注于类间差异，忽略了类内差异

center loss可以减少人脸类内差异性，center loss通过最小化样本与所属类中心距离，将所学到的特征更加集中于类内，就达到了进一步增大类间差异的目的。

    xi就是RPN提取到的proposal，经过ROI pooling和全连接层提到的特征；Cyi 是xi所属的类中心，是一个与xi同维度的特征向量；loss目的就是为了让每个特征xi与其对应中心 Cyi 的距离进一步靠近。在每次迭代中，Cyi 都会进行更新，有点类似于kmeans算法。

分类：softmax + center loss；回归：SmoothL1 loss

2.Online Hard Example Mining (OHEM)

加入在线困难样本挖掘（OHEM），每次从正负样本中各选出loss最大的N个样本加入下次训练，提高对困难样本的的分类能力。

3.Multi-Scale Training

多尺度训练，为了适应不同尺度影响(或者更好地检测小目标)，训练阶段图片会经过不同尺度缩放。

没有对所有的训练图像使用固定的尺度，而是通过在训练过程中将原始图像的大小调整到不同的大小，为每个图像设计了一个多尺度表示。这样，学习到的模型更适合低分辨率的人脸。

在测试过程中，相应进行多尺度测试，并将预测到的不同图像尺度的框组合成最终输出。